1、伴隨著科技的進步，質譜儀的發(fā)明，大量有價值的化學信息數(shù)據(jù)被搜集，這些數(shù)據(jù)的獲得促進了化學結構解析技術的進步，怎樣從這些數(shù)據(jù)集中挖掘出我們想要的信息，正在逐漸被人們重視。數(shù)據(jù)挖掘技術的成熟為人們指引了方向，而這里我們關注的是典型的分類問題。在化學數(shù)據(jù)中的樣本分類就是試圖從數(shù)據(jù)中提取有用的信息，然后根據(jù)他們的分子結構或者化學指紋來對化合物或者藥物進行分類，依據(jù)質譜數(shù)據(jù)鑒別化合物和識別化合物結構一直以來都是化學計量中的一項重要的工作。

2、　　在這篇文章中，我們首先介紹了原始質譜數(shù)據(jù)的特征表示。由于原始數(shù)據(jù)維數(shù)過大，容易過擬合且計算復雜度高，我們接著對數(shù)據(jù)做了處理。最終，我們呈現(xiàn)了一些在化合物質譜數(shù)據(jù)的基礎上，基于度量學習的算法來計算其K-近鄰分類誤差，例如近鄰元分分析(Neighborhood Component Analysis，NCA)，大邊界最近鄰算法(Large Margin Nearest Neighbor Classifier, LMNN)，相關元分析(Re

3、levantComponent Analysis，RCA)，信息理論度量學習(Information-Theoretic MetricLearning，ITML)，最大限度衰竭度量學習(Maximally Collapsing Metric Learning，MCML)和判別分量分析算法(Discriminative Component Analysis，DCA)，以及非監(jiān)督距離度量學習算法，例如主元分析(Principal Compo

4、nent Analysis，PCA)，多維標度算法Multidimensional Scaling，MDS)以及非線性映射算法，如等距映射算法(Isometric Mapping，ISOMAP)。所有這些算法都被用于基于質譜數(shù)據(jù)的化合物子結構有無的預測，實驗表明針對質譜數(shù)據(jù)的特征處理，度量學習算法可以取得一個較好的效果，后面我們?yōu)榱死^續(xù)驗證實驗結論，又將度量學習作為一種降維方法和其他經典降維算法，如主元分析、流行學習等作了比較，結果也顯